CN116266418A - 运动识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开是关于运动识别方法、装置、电子设备和存储介质，所述方法应用于终端设备，所述终端设备具有至少一个传感器；所述方法包括：获取所述至少一个传感器采集的运动数据；使用特征提取器提取所述运动数据的第一运动特征；使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。通过传感器采集的运动数据和特征提取器以及分类器，可以准确的确定终端设备的第一运动模式，该运动模式能够用于指导终端设备所运行的功能的参数，从而使各项功能得到准确控制，提高用户的使用体验。

Description

运动识别方法、装置、电子设备和存储介质

技术领域

本公开涉及运动识别技术领域，具体涉及一种运动识别方法、装置、电子设备和存储介质。

背景技术

随着科学技术的发展，智能手机等终端设备的发展迅速，各个方面都取得了很多突破性进展，例如摄像功能越来越丰富，所拍摄的图像和视频质量越来越高。用户在使用终端设备执行拍照等功能时，终端设备会处于各种不同的运行模式下，例如行走、跑步等，不同的运动模式会对终端设备产生不同的影响，因此执行拍照等功能时所适合的参数也不同。相关技术中无法准确识别终端设备的运动模式，因此导致拍照等功能的控制不准确，用户体验较差。

发明内容

为克服相关技术中存在的问题，本公开实施例提供一种运动识别方法、装置、电子设备和存储介质，用以解决相关技术中的缺陷。

根据本公开实施例的第一方面，提供一种运动识别方法，应用于终端设备，所述终端设备具有至少一个传感器；所述方法包括：

获取所述至少一个传感器采集的运动数据；

使用特征提取器提取所述运动数据的第一运动特征；

使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。

在一个实施例中，所述至少一个传感器包括陀螺仪传感器、霍尔传感器和加速度传感器中的至少一个。

在一个实施例中，所述终端设备具有多个传感器；

所述使用特征提取器提取所述运动数据的特征，包括：

分别使用所述特征提取器提取每个所述传感器采集的运动数据的特征；

根据每个所述传感器采集的运动数据的特征，确定所述第一运动特征。

在一个实施例中，所述获取所述至少一个传感器采集的运动数据，包括：

实时获取所述至少一个传感器采集的运动数据；

所述使用特征提取器提取所述运动数据的第一运动特征，包括：

使用所述特征提取器提取当前时刻以及当前时刻之前的预设时长内的所述运动数据的第一运动特征；

所述使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式，包括：

使用所述分类器，根据所述第一运动特征确定所述终端设备在当前时刻的第一运动模式。

在一个实施例中，所述获取所述至少一个传感器采集的运动数据，包括：

在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据；

所述使用特征提取器提取所述运动数据的第一运动特征，包括：

使用所述特征提取器提取所述取景框内当前帧以及当前帧之前的前N帧预览图像所对应的运动数据的第一运动特征，其中，所述N大于或等于0；

所述使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式，包括：

使用所述分类器，根据所述第一运动特征确定所述当前帧预览图像对应的所述终端设备的第一运动模式。

在一个实施例中，包括：

根据所述终端设备的第一运动模式，确定所述摄像程序的摄像参数。

在一个实施例中，包括：

使用所述特征提取器提取训练集中训练数据的第二运动特征，其中，所述训练数据为所述终端设备的传感器采集的运动数据，且所述训练数据具有运动标签；

使用所述分类器，根据所述第二运动特征确定所述终端设备的第二运动模式；

根据所述第二运动模式和所述训练数据的运动标签，确定网络损失值；

根据所述网络损失值对所述分类器的网络参数进行调整，直至所述分类器的训练结果收敛。

在一个实施例中，包括：

使用所述特征提取器提取测试集中的测试数据的第三运动特征，其中，所述测试数据为所述终端设备的传感器采集的运动数据，且所述测试数据具有运动标签；

使用训练至收敛的所述分类器，根据所述第三运动特征确定所述终端设备的第三运动模式；

根据所述第三运动模式和所述测试数据的运动标签，对所述分类器的网络参数和/或所述特征提取器的网络参数进行调整，直至所述分类器的测试结果满足预设要求。

在一个实施例中，在所述使用特征提取器提取所述运动数据的第一运动特征之前，包括：

对所述运动数据进行滤波处理；和/或，

在所述使用所述特征提取器提取训练集中训练数据的第二运动特征之前，包括：

对所述训练数据进行滤波处理；和/或，

在所述使用所述特征提取器提取测试集中的测试数据的第三运动特征之前，包括：

对所述测试数据进行滤波处理。

在一个实施例中，包括：

依次在终端设备处于各种运动模式的情况下，获取所述传感器采集的运动数据；

将采集所述运动数据时的运动模式标记为所述运动数据的运动标签；

根据标记有所述运动标签的所述运动数据，确定所述训练集和所述测试集。

根据本公开实施例的第二方面，提供一种运动识别装置，应用于终端设备，所述终端设备具有至少一个传感器；所述装置包括：

获取模块，用于获取所述至少一个传感器采集的运动数据；

特征模块，用于使用特征提取器提取所述运动数据的第一运动特征；

分类模块，用于使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。

在一个实施例中，所述至少一个传感器包括陀螺仪传感器、霍尔传感器和加速度传感器中的至少一个。

在一个实施例中，所述终端设备具有多个传感器；

所述特征模块用于：

分别使用所述特征提取器提取每个所述传感器采集的运动数据的特征；

根据每个所述传感器采集的运动数据的特征，确定所述第一运动特征。

在一个实施例中，所述获取模块用于：

实时获取所述至少一个传感器采集的运动数据；

所述特征模块用于：

使用所述特征提取器提取当前时刻以及当前时刻之前的预设时长内的所述运动数据的第一运动特征；

所述分类模块用于：

使用所述分类器，根据所述第一运动特征确定所述终端设备在当前时刻的第一运动标签。

在一个实施例中，所述获取模块用于：

在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据；

所述特征模块用于：

使用所述特征提取器提取所述取景框内当前帧以及当前帧之前的前N帧预览图像所对应的运动数据的第一运动特征，其中，所述N大于或等于0；

所述分类模块用于：

使用所述分类器，根据所述第一运动特征确定所述当前帧预览图像对应的所述终端设备的第一运动标签。

在一个实施例中，包括参数模块，用于：

根据所述终端设备的第一运动标签，确定所述摄像程序的摄像参数。

在一个实施例中，包括训练模块，用于：

使用所述特征提取器提取训练集中训练数据的第二运动特征，其中，所述训练数据为所述终端设备的传感器采集的运动数据，且所述训练数据具有第一运动标签；

使用所述分类器，根据所述第二运动特征确定所述终端设备的第二运动模式；

根据所述第二运动模式和所述训练数据的运动标签，确定网络损失值；

根据所述网络损失值对所述分类器的网络参数进行调整，直至所述分类器收敛。

在一个实施例中，包括测试模块，用于：

使用所述特征提取器提取测试集中的测试数据的第三运动特征，其中，所述测试数据为所述终端设备的传感器采集的运动数据，且所述测试数据具有运动标签；

使用训练至收敛的所述分类器，根据所述第三运动特征确定所述终端设备的第三运动模式；

根据所述第三运动模式和所述测试数据的运动标签，对所述分类器的网络参数和/或所述特征提取器的网络参数进行调整。

在一个实施例中，包括第一滤波模块、第二滤波模块和第三滤波模块中的至少一个：

所述第一滤波模块用于：在所述使用特征提取器提取所述运动数据的第一运动特征之前，对所述运动数据进行滤波处理；

所述第二滤波模块用于：在所述使用所述特征提取器提取训练集中训练数据的第二运动特征之前，对所述训练数据进行滤波处理；

所述第三滤波模块用于：在所述使用所述特征提取器提取测试集中的测试数据的第三运动特征之前，对所述测试数据进行滤波处理。

在一个实施例中，包括数据模块，用于：

依次在终端设备处于各种运动模式的情况下，获取所述传感器采集的运动数据；

将采集所述运动数据时的运动模式标记为所述运动数据的运动标签；

根据标记有所述运动标签的所述运动数据，确定所述训练集和所述测试集。

根据本公开实施例的第三方面，提供一种电子设备，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时基于第一方面所述的运动识别方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面所述的方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开通过在终端设备内设置用于采集运动数据的至少一个传感器，则可以获取至少一个传感器采集的运动数据，然后使用特征提取器提取所述运动数据的第一运动特征，最后使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。通过传感器采集的运动数据和特征提取器以及分类器，可以准确的确定终端设备的第一运动模式，该运动模式能够用于指导终端设备所运行的功能的参数，从而使各项功能得到准确控制，提高用户的使用体验。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本公开一示例性实施例示出的运动识别方法的流程图；

图2A至图2D是本公开一示例性实施例示出的终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，陀螺仪传感器所采集的角速度数据图；

图3A至图3D是本公开一示例性实施例示出的终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，加速度传感器所采集的加速度数据图；

图4A至图4D是本公开一示例性实施例示出的终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，霍尔传感器所采集的霍尔数据图；

图5A至图5D是本公开一示例性实施例示出的终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，某一帧预览图像对应的陀螺仪传感器所采集的角速度数据图；

图6是本公开一示例性实施例示出的时间窗与预览图像对应的运动数据的关系示意图；

图7是本公开一示例性实施例示出的运动识别过程的示意图；

图8是本公开另一示例性实施例示出的运动识别过程的示意图；

图9是本公开一示例性实施例示出的运动识别装置的结构示意图；

图10是本公开一示例性实施例示出的电子设备的结构框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

随着科学技术的发展，智能手机等终端设备的发展迅速，各个方面都取得了很多突破性进展，例如摄像功能越来越丰富，所拍摄的图像和视频质量越来越高。用户在使用终端设备执行拍照等功能时，终端设备会处于各种不同的运行模式下，例如行走、跑步等，不同的运动模式会对终端设备产生不同的影响，因此执行拍照等功能时所适合的参数也不同。相关技术中无法准确识别终端设备的运动模式，因此导致拍照等功能的控制不准确，用户体验较差。

基于此，第一方面，本公开至少一个实施例提供了一种运动识别方法，请参照附图1，其示出了该方法的流程，包括步骤S101和步骤S103。

其中，该摄像模组控制方法可以应用于智能手机等终端设备，具体可以应用于终端设备的主控芯片，或该方法专用的MCU(Microcontroller Unit，微控制单元)。所述终端设备具有至少一个传感器，传感器为运动传感器，用于采集终端设备的运动数据，例如传感器可以为陀螺仪传感器、加速度传感器和霍尔传感器中的至少一个，陀螺仪传感器能够采集终端设备的角速度，加速度传感器能够采集终端设备的加速度，霍尔传感器能够采集终端设备的霍尔数据。

在步骤S101中，获取所述至少一个传感器采集的运动数据。

其中，传感器可以为陀螺仪传感器、加速度传感器和霍尔传感器中的至少一个。传感器采集的数据可以为陀螺仪传感器采集的终端设备的角速度、加速度传感器采集的终端设备的加速度和霍尔传感器采集的终端设备的霍尔数据中的至少一个。

本步骤中获取每个用于采集运动数据的传感器所采集的运动数据。例如，终端设备具有陀螺仪传感器，则本步骤获取陀螺仪传感器采集的角速度，请参照附图2A至图2D，其分别示出了终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，陀螺仪传感器所采集的角速度；再例如，终端设备具有加速度传感器，则本步骤获取加速度传感器采集的加速度，请参照附图3A至图3D，其分别示出了终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，加速度传感器所采集的加速度；再例如，终端设备具有霍尔传感器，则本步骤获取霍尔传感器采集的霍尔数据，请参照附图4A至图4D，其分别示出了终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，霍尔传感器所采集的霍尔数据；再例如，终端设备具有陀螺仪传感器和角速度传感器，则本步骤中获取陀螺仪传感器采集的角速度和加速度传感器采集的加速度；再例如，终端设备具有陀螺仪传感器和霍尔传感器，则本步骤中获取陀螺仪传感器采集的角速度和霍尔传感器采集的霍尔数据；再例如，终端设备具有陀螺仪传感器、角速度传感器和霍尔传感器，则本步骤中获取陀螺仪传感器采集的角速度、加速度传感器采集的加速度和霍尔传感器采集的霍尔数据。

在一个示例中，实时获取所述至少一个传感器采集的运动数据。上述附图2A至图2D、附图3A至图3D和附图4A至图4D均是传感器实时采集的运动数据。

在另一个示例中，在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据。可以实时获取运动数据，并实时刷新取景框内的预览图像，则该过程中可以确定出每一帧预览图像所对应的运动数据。请参照附图5A至图5D，其分别示出了终端设备处于行走、跑步、用户手持、置于支架之上四个运动模式下，某一帧预览图像对应的陀螺仪传感器所采集的角速度。

在步骤S102中，使用特征提取器提取所述运动数据的第一运动特征。

其中，特征提取器可以根据运动数据的种类进行设计。例如，运动数据为陀螺仪传感器采集的角速度，则所设计的特征提取器需要能够提取角速度的一阶差分、极差和均值；再例如，运动数据为霍尔传感器采集的霍尔数据，则所设计的特征提取器需要能够提取霍尔数据的横向中心偏移量(即镜头偏移中心点的横向距离)和纵向中心偏移量(即镜头偏移中心点的纵向距离)；再例如，运动数据为加速度传感器采集的加速度，则所设计的特征提取器需要能够提取加速度的主轴位移数据(即加速度传感器主要运动的轴的位移距离，可以通过积分获得)。需要注意的是，若运动数据包括上述三种数据的至少两种，则所设计的特征提取器需要与数据的种类相匹配，即能够提取对应数据的上述特征。

可选的，在终端设备具有多个传感器的情况下，可以按照下述方式提取运动数据的第一运动特征：首先，分别使用所述特征提取器提取每个所述传感器采集的运动数据的特征；接下来，根据每个所述传感器采集的运动数据的特征，确定所述第一运动特征，例如，将各个运动数据的特征拼接为一个完整的特征向量。

在一个示例中，步骤S101实时获取所述至少一个传感器采集的运动数据，则步骤中可以使用所述特征提取器提取当前时刻以及之前的预设时长内的所述运动数据的第一运动特征。预设时长内的运动数据能够准确表征终端设备的运动模式，避免了较短时间内或者瞬间的运动数据无法准确表征终端设备的运动模式的问题，而且能够避免提取过长时间的运动数据导致运算量大的问题。

在另一个示例中，步骤S101在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据，则本步骤可以使用所述特征提取器提取所述取景框内当前帧以及前N帧预览图像所对应的运动数据的第一运动特征，其中，所述N大于或等于0，例如N可以为2。多帧预览图像对应的运动数据能够准确表征终端设备的运动模式，避免了一帧预览图像对应的运动数据无法准确表征终端设备的运动模式的问题，而且避免提取过多帧预览图像对应的运动数据所造成的运算量大的问题。

请参照附图5A至图5D所示出的某一帧预览图像所对应的角速度数据，一帧预览图像对应的角速度数据较为平缓，无法有效表征终端设备的运动模式，而多帧预览图像对应的角速度数据能够有效的、准确的表征运动模式。例如可以设置如图6所示的时间窗，时间窗的长度为3帧预览图像的长度，因此预览图像在更新的过程中，始终有3帧预览图像(即最新的3帧预览图像)在时间窗内，而特征提取器提取运动数据的第一运动特征时，始终提取时间窗内的3帧预览图像所对应的运动数据的特征。

另外，在提取所述运动数据的第一运动特征之前，可以对所述运动数据进行滤波处理等预先处理，从而避免运动数据中存在错误数据而影响运动识别结果。

在步骤S103中，使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。

其中，可以将第一运动特征输入至分类器中，从而使分类器对运动特征进行分类，在预先设置的类别选项中确定预测类别，并将预测类别确定为第一运动模式，预先设置的类别可以包括各种运动模式，例如行走运动模式、跑步运动模式、用户手持运动模式、置于支架之上运动模式等。分类器可以选择Adaboost分类器。

在一个示例中，步骤S101实时获取所述至少一个传感器采集的运动数据，步骤S102使用所述特征提取器提取当前时刻以及当前时刻之前的预设时长内的所述运动数据的第一运动特征，则步骤可以使用所述分类器，根据所述第一运动特征确定所述终端设备在当前时刻的第一运动模式。使用预设时长内的运动数据的特征能够准确的确定当前时刻的运动模式，避免仅使用当前时刻的运动数据的特征所确定的运动模式不准确，提高了运动模式的确定精度。

在另一个示例中，步骤S101在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据，步骤S102使用所述特征提取器提取所述取景框内当前帧以及当前帧之前的前N帧预览图像所对应的运动数据的第一运动特征，其中，所述N大于或等于0，例如N可以为2，则本步骤可以使用所述分类器，根据所述第一运动特征确定所述当前帧预览图像对应的所述终端设备的第一运动模式。使用多帧预览图像对应的运动数据的特征，能够准确的确定当前帧预览图像对应的运动模式，避免仅使用当前帧的预览图像对应的运动数据的特征确定的运动模式不准确，提高了运动模式的确定精度。

该示例将本申请提供的运动识别方法应用于终端设备的摄像程序，能够准确的确定每一帧预览图像对应的运动模式。因此可以根据所述终端设备的第一运动模式，确定所述摄像程序的摄像参数，例如确定摄像程序的防抖参数、曝光时间等，从而可以使摄像程序的摄像参数与终端设备的运动模式相匹配，提高了摄像程序的控制准确度，进而提高了所拍摄图像或视频的质量，改善了用户体验。

本公开通过在终端设备内设置用于采集运动数据的至少一个传感器，则可以获取至少一个传感器采集的运动数据，然后使用特征提取器提取所述运动数据的第一运动特征，最后使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。通过传感器采集的运动数据和特征提取器以及分类器，可以准确的确定终端设备的第一运动模式，该运动模式能够用于指导终端设备所运行的功能的参数，从而使各项功能得到准确控制，提高用户的使用体验。

本公开的一些实施例中，可以按照下述方式对分类器进行训练：首先，使用所述特征提取器提取训练集中训练数据的第二运动特征，其中，所述训练数据为所述终端设备的传感器采集的运动数据，且所述训练数据具有运动标签；接下来，使用所述分类器，根据所述第二运动特征确定所述终端设备的第二运动模式；再接下来，根据所述第二运动模式和所述训练数据的运动标签，确定网络损失值；最后，根据所述网络损失值对所述分类器的网络参数进行调整，直至所述分类器的训练结果收敛。

其中，使用特征提取器提取训练数据的第二运动特征的方式，可以与步骤S102中介绍的提取运动数据的第一运动特征的方式相同，也可以不同。使用分类器，根据所述第二运动特征确定所述终端设备的第二运动模式，可以与步骤S103中介绍的确定第一运动模式的方式相同，也可以不同。

运动标签即为采集训练数据时终端设备的运动模式，也就是训练数据的运动模式的真实值，而第二运动模式为训练数据的运动模式的预测值，因此可以根据运动模式的真实值和预测值确定网络损失值，并使用该网络损失值对分类器进行调参。

对分类器调参的过程中，可以在网络损失值下降至预设的误差范围内，或者迭代次数达到预设的次数阈值时，确定训练结果收敛。

本实施例中，通过训练集中的训练数据对分类器进行训练，能够使分类器具备准确预测运动数据的运动模式的功能，因此可以在应用该分类器预测第一运动模式时，非常准确和高效。

本公开的一些实施例中，可以按照下述方式对分类器的训练结果进行测试：首先，使用所述特征提取器提取测试集中的测试数据的第三运动特征，其中，所述测试数据为所述终端设备的传感器采集的运动数据，且所述测试数据具有运动标签；接下来，使用训练至收敛的所述分类器，根据所述第三运动特征确定所述终端设备的第三运动模式；最后，根据所述第三运动模式和所述测试数据的运动标签，对所述分类器的网络参数和/或所述特征提取器的网络参数进行调整，直至所述分类器的测试结果满足预设要求。

其中，使用特征提取器提取测试数据的第三运动特征的方式，可以与步骤S102中介绍的提取运动数据的第一运动特征的方式相同，也可以不同。使用分类器，根据所述第三运动特征确定所述终端设备的第三运动模式，可以与步骤S103中介绍的确定第一运动模式的方式相同，也可以不同。

运动标签即为采集测试数据时终端设备的运动模式，也就是测试数据的运动模式的真实值，而第三运动模式为测试数据的运动模式的预测值，因此可以根据运动模式的真实值和预测值的差距对特征提取器和/或分类器进行调参。

对分类器调参的过程中，可以在第三运动模式的准确率达到预设的准确率阈值时，确定测试结果满足预设要求。其中，某个测试数据的第三运动模式与运动标签相同，则该测试数据的第三运动模式预测准确，某个测试数据的第三运动模式与运动标签不同，则该测试数据的第三运动模式预测不准确，预测准确的测试数据占全部测试数据的比例即为第三运动模式的准确率。

本实施例中，通过测试集中的测试数据对训练结果进行测试，能够提高分类器预测运动数据的运动模式的准确率。

本公开的一些实施例中，可以按照下述方式构建训练集和测试集：首先，依次在终端设备处于各种运动模式的情况下，获取所述传感器采集的运动数据；接下来，将采集所述运动数据时的运动模式标记为所述运动数据的运动标签；最后，根据标记有所述运动标签的所述运动数据，确定所述训练集和所述测试集。

本实施例中，通过在与分类器的应用场景相同的场景下采集运动数据，并标记了准确的运动标签，从而使训练数据和测试数据与应用场景下的运动数据相同，因此可以提高训练过程和测试过程的精度和效率。

请参照附图7，本公开的一些实施例示例性的示出了应用Adaboost分类器进行运动识别的过程。该过程分为离线流程(Offline)和在线流程(Realtime)，其中，离线流程中，传感器采集的运动数据(Sensor)首先经过滤波处理(Kalman Filter)，然后再被提取运动特征(Feautre extraction)，然后这些运动特征组成训练集和测试集，最后利用训练集和测试集对Adaboost分类器进行训练和测试，得到收敛的Adaboost分类器；在线流程中，传感器采集的运动数据(Sensor)首先经过滤波处理(Kalman Filter)，然后再被提取运动特征(Feautre extraction)，最后将运动特征输入至离线流程中完成训练和测试的Adaboost分类器，Adaboost分类器输出终端设备的运动模式。

请参照附图8，本公开的一些实施例示例性的示出了运动识别的过程，该过程包括运行于PC端的离线流程和运行于移动终端的在线流程。在离线流程中，传感器采集的运动数据组成训练集(Train_data)和测试集(Test_data),然后训练集中的训练数据和测试集中的测试数据均依次进行低通滤波等预处理(Data preprocess)、特征提取(Feautreextraction)，然后优化器(Optimizer)利用训练数据的运动特征对分类器模型(Model)进行训练，训练完成后利用测试数据的运动特征进行测试，直至测试结果满意，最后将完成训练和测试的分类器模型加载至移动终端上(Load Model)。在在线流程开始后，传感器采集的实时数据(Read Data)依次经过低通滤波等预处理(Data preprocess)、特征提取(Feautre extraction)，得到运动特征，最后利用分类器模型对运动特征进行分类处理(DoProcess)，得到移动终端的运动模式。

根据本公开实施例的第二方面，提供一种运动识别装置，应用于终端设备，所述终端设备具有至少一个传感器；请参照附图9，所述装置包括：

获取模块901，用于获取所述至少一个传感器采集的运动数据；

特征模块902，用于使用特征提取器提取所述运动数据的第一运动特征；

分类模块903，用于使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。

在本公开的一些实施例中，所述至少一个传感器包括陀螺仪传感器、霍尔传感器和加速度传感器中的至少一个。

在本公开的一些实施例中，所述终端设备具有多个传感器；

所述特征模块用于：

分别使用所述特征提取器提取每个所述传感器采集的运动数据的特征；

根据每个所述传感器采集的运动数据的特征，确定所述第一运动特征。

在本公开的一些实施例中，所述获取模块用于：

实时获取所述至少一个传感器采集的运动数据；

所述特征模块用于：

使用所述特征提取器提取当前时刻以及当前时刻之前的预设时长内的所述运动数据的第一运动特征；

所述分类模块用于：

使用所述分类器，根据所述第一运动特征确定所述终端设备在当前时刻的第一运动标签。

在本公开的一些实施例中，所述获取模块用于：

在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据；

所述特征模块用于：

使用所述特征提取器提取所述取景框内当前帧以及当前帧之前的前N帧预览图像所对应的运动数据的第一运动特征，其中，所述N大于或等于0；

所述分类模块用于：

使用所述分类器，根据所述第一运动特征确定所述当前帧预览图像对应的所述终端设备的第一运动标签。

在本公开的一些实施例中，包括参数模块，用于：

根据所述终端设备的第一运动标签，确定所述摄像程序的摄像参数。

在本公开的一些实施例中，包括训练模块，用于：

使用所述特征提取器提取训练集中训练数据的第二运动特征，其中，所述训练数据为所述终端设备的传感器采集的运动数据，且所述训练数据具有第一运动标签；

使用所述分类器，根据所述第二运动特征确定所述终端设备的第二运动模式；

根据所述第二运动模式和所述训练数据的运动标签，确定网络损失值；

根据所述网络损失值对所述分类器的网络参数进行调整，直至所述分类器收敛。

在本公开的一些实施例中，包括测试模块，用于：

使用所述特征提取器提取测试集中的测试数据的第三运动特征，其中，所述测试数据为所述终端设备的传感器采集的运动数据，且所述测试数据具有运动标签；

使用训练至收敛的所述分类器，根据所述第三运动特征确定所述终端设备的第三运动模式；

根据所述第三运动模式和所述测试数据的运动标签，对所述分类器的网络参数和/或所述特征提取器的网络参数进行调整。

在本公开的一些实施例中，包括第一滤波模块、第二滤波模块和第三滤波模块中的至少一个：

所述第一滤波模块用于：在所述使用特征提取器提取所述运动数据的第一运动特征之前，对所述运动数据进行滤波处理；

所述第二滤波模块用于：在所述使用所述特征提取器提取训练集中训练数据的第二运动特征之前，对所述训练数据进行滤波处理；

所述第三滤波模块用于：在所述使用所述特征提取器提取测试集中的测试数据的第三运动特征之前，对所述测试数据进行滤波处理。

在本公开的一些实施例中，包括数据模块，用于：

依次在终端设备处于各种运动模式的情况下，获取所述传感器采集的运动数据；

将采集所述运动数据时的运动模式标记为所述运动数据的运动标签；

根据标记有所述运动标签的所述运动数据，确定所述训练集和所述测试集。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在第一方面有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

根据本公开实施例的第三方面，请参照附图10，其示例性的示出了一种电子设备的框图。例如，装置1000可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图10，装置1000可以包括以下一个或多个组件：处理组件1002，存储器1004，电源组件1006，多媒体组件1008，音频组件1010，输入/输出(I/O)的接口1012，传感器组件1014，以及通信组件1016。

处理组件1002通常控制装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件1002可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理部件1002可以包括多媒体模块，以方便多媒体组件1008和处理组件1002之间的交互。

存储器1004被配置为存储各种类型的数据以支持在设备1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件1006为装置1000的各种组件提供电力。电力组件1006可以包括电源管理***，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。

多媒体组件1008包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触控面板(TP)。如果屏幕包括触控面板，屏幕可以被实现为触控屏，以接收来自用户的输入信号。触控面板包括一个或多个触控传感器以感测触控、滑动和触控面板上的手势。所述触控传感器可以不仅感测触控或滑动动作的边界，而且还检测与所述触控或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010包括一个扬声器，用于输出音频信号。

I/O接口1012为处理组件1002和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1014包括一个或多个传感器，用于为装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到装置1000的打开/关闭状态，组件的相对定位，例如所述组件为装置1000的显示器和小键盘，传感器组件1014可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，4G或5G或它们的组合。在一个示例性实施例中，通信部件1016经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件1016包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述电子设备的供电方法。

第四方面，本公开在示例性实施例中，提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1004，上述指令可由装置1000的处理器1020执行以完成上述电子设备的供电方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (22)

1.一种运动识别方法，其特征在于，应用于终端设备，所述终端设备具有至少一个传感器；所述方法包括：

获取所述至少一个传感器采集的运动数据；

使用特征提取器提取所述运动数据的第一运动特征；

使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。

2.根据权利要求1所述的运动识别方法，其特征在于，所述至少一个传感器包括陀螺仪传感器、霍尔传感器和加速度传感器中的至少一个。

3.根据权利要求1所述的运动识别方法，其特征在于，所述终端设备具有多个传感器；

所述使用特征提取器提取所述运动数据的第一运动特征，包括：

分别使用所述特征提取器提取每个所述传感器采集的运动数据的特征；

根据每个所述传感器采集的运动数据的特征，确定所述第一运动特征。

4.根据权利要求1所述的运动识别方法，其特征在于，所述获取所述至少一个传感器采集的运动数据，包括：

实时获取所述至少一个传感器采集的运动数据；

所述使用特征提取器提取所述运动数据的第一运动特征，包括：

使用所述特征提取器提取当前时刻以及当前时刻之前的预设时长内的所述运动数据的第一运动特征；

所述使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式，包括：

使用所述分类器，根据所述第一运动特征确定所述终端设备在当前时刻的第一运动模式。

5.根据权利要求1所述的运动识别方法，其特征在于，所述获取所述至少一个传感器采集的运动数据，包括：

在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据；

所述使用特征提取器提取所述运动数据的第一运动特征，包括：

使用所述特征提取器提取所述取景框内当前帧以及当前帧之前的前N帧预览图像所对应的运动数据的第一运动特征，其中，所述N大于或等于0；

所述使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式，包括：

使用所述分类器，根据所述第一运动特征确定所述当前帧预览图像对应的所述终端设备的第一运动模式。

6.根据权利要求5所述的运动识别方法，其特征在于，包括：

根据所述终端设备的第一运动模式，确定所述摄像程序的摄像参数。

7.根据权利要求1至6中任一项所述的运动识别方法，其特征在于，包括：

使用所述特征提取器提取训练集中训练数据的第二运动特征，其中，所述训练数据为所述终端设备的传感器采集的运动数据，且所述训练数据具有运动标签；

使用所述分类器，根据所述第二运动特征确定所述终端设备的第二运动模式；

根据所述第二运动模式和所述训练数据的运动标签，确定网络损失值；

根据所述网络损失值对所述分类器的网络参数进行调整，直至所述分类器的训练结果收敛。

8.根据权利要求7所述的运动识别方法，其特征在于，包括：

使用所述特征提取器提取测试集中的测试数据的第三运动特征，其中，所述测试数据为所述终端设备的传感器采集的运动数据，且所述测试数据具有运动标签；

使用训练至收敛的所述分类器，根据所述第三运动特征确定所述终端设备的第三运动模式；

根据所述第三运动模式和所述测试数据的运动标签，对所述分类器的网络参数和/或所述特征提取器的网络参数进行调整，直至所述分类器的测试结果满足预设要求。

9.根据权利要求8所述的运动识别方法，其特征在于，在所述使用特征提取器提取所述运动数据的第一运动特征之前，包括：

对所述运动数据进行滤波处理；和/或，

在所述使用所述特征提取器提取训练集中训练数据的第二运动特征之前，包括：

对所述训练数据进行滤波处理；和/或，

在所述使用所述特征提取器提取测试集中的测试数据的第三运动特征之前，包括：

对所述测试数据进行滤波处理。

10.根据权利要求8所述的运动识别方法，其特征在于，包括：

依次在终端设备处于各种运动模式的情况下，获取所述传感器采集的运动数据；

将采集所述运动数据时的运动模式标记为所述运动数据的运动标签；

根据标记有所述运动标签的所述运动数据，确定所述训练集和所述测试集。

11.一种运动识别装置，其特征在于，应用于终端设备，所述终端设备具有至少一个传感器；所述装置包括：

获取模块，用于获取所述至少一个传感器采集的运动数据；

特征模块，用于使用特征提取器提取所述运动数据的第一运动特征；

分类模块，用于使用分类器，根据所述第一运动特征确定所述终端设备的第一运动模式。

12.根据权利要求11所述的运动识别装置，其特征在于，所述至少一个传感器包括陀螺仪传感器、霍尔传感器和加速度传感器中的至少一个。

13.根据权利要求11所述的运动识别装置，其特征在于，所述终端设备具有多个传感器；

所述特征模块用于：

分别使用所述特征提取器提取每个所述传感器采集的运动数据的特征；

根据每个所述传感器采集的运动数据的特征，确定所述第一运动特征。

14.根据权利要求11所述的运动识别装置，其特征在于，所述获取模块用于：

实时获取所述至少一个传感器采集的运动数据；

所述特征模块用于：

使用所述特征提取器提取当前时刻以及当前时刻之前的预设时长内的所述运动数据的第一运动特征；

所述分类模块用于：

使用所述分类器，根据所述第一运动特征确定所述终端设备在当前时刻的第一运动标签。

15.根据权利要求11所述的运动识别装置，其特征在于，所述获取模块用于：

在所述终端设备的摄像程序运行的过程中，获取所述摄像程序的取景框内每一帧预览图像对应的运动数据；

所述特征模块具体用于：

使用所述特征提取器提取所述取景框内当前帧以及当前帧之前的前N帧预览图像所对应的运动数据的第一运动特征，其中，所述N大于或等于0；

所述分类模块具体用于：

使用所述分类器，根据所述第一运动特征确定所述当前帧预览图像对应的所述终端设备的第一运动标签。

16.根据权利要求15所述的运动识别装置，其特征在于，包括参数模块，用于：

根据所述终端设备的第一运动标签，确定所述摄像程序的摄像参数。

17.根据权利要求11至16中任一项所述的运动识别装置，其特征在于，包括训练模块，用于：

使用所述特征提取器提取训练集中训练数据的第二运动特征，其中，所述训练数据为所述终端设备的传感器采集的运动数据，且所述训练数据具有第一运动标签；

使用所述分类器，根据所述第二运动特征确定所述终端设备的第二运动模式；

根据所述第二运动模式和所述训练数据的运动标签，确定网络损失值；

根据所述网络损失值对所述分类器的网络参数进行调整，直至所述分类器收敛。

18.根据权利要求17所述的运动识别装置，其特征在于，包括测试模块，用于：

使用所述特征提取器提取测试集中的测试数据的第三运动特征，其中，所述测试数据为所述终端设备的传感器采集的运动数据，且所述测试数据具有运动标签；

使用训练至收敛的所述分类器，根据所述第三运动特征确定所述终端设备的第三运动模式；

根据所述第三运动模式和所述测试数据的运动标签，对所述分类器的网络参数和/或所述特征提取器的网络参数进行调整。

19.根据权利要求18所述的运动识别装置，其特征在于，包括第一滤波模块、第二滤波模块和第三滤波模块中的至少一个：

所述第一滤波模块用于：在所述使用特征提取器提取所述运动数据的第一运动特征之前，对所述运动数据进行滤波处理；

所述第二滤波模块用于：在所述使用所述特征提取器提取训练集中训练数据的第二运动特征之前，对所述训练数据进行滤波处理；

所述第三滤波模块用于：在所述使用所述特征提取器提取测试集中的测试数据的第三运动特征之前，对所述测试数据进行滤波处理。

20.根据权利要求18所述的运动识别装置，其特征在于，包括数据模块，用于：

依次在终端设备处于各种运动模式的情况下，获取所述传感器采集的运动数据；

将采集所述运动数据时的运动模式标记为所述运动数据的运动标签；

根据标记有所述运动标签的所述运动数据，确定所述训练集和所述测试集。

21.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时基于权利要求1至10中任一项所述的运动识别方法。

22.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至10中任一项所述的方法。

Images